ブレイン・マシン・インターフェース2 weeks ago
AIのブレークスルーが複雑な脳信号を解読し、脳–コンピュータ・インターフェースを改善
日本の千葉大学の研究者らは、複雑な脳活動を大幅に改善された精度で解読可能な新たな人工知能フレームワークを開発し、より信頼性の高い脳–コンピュータ・インターフェース（BCI）に向けた重要な一歩を記した。このブレークスルーは、神経疾患を抱える人々が、義肢、車椅子、リハビリロボットなどのデバイスを思考によって制御することを可能にする支援技術の開発を加速させるのに役立つ可能性がある。 千葉大学大学院工学研究科の博士課程学生Shen Chaowenと並木明夫教授が主導したこの研究は、Embedding-Driven Graph Convolutional Network (EDGCN)として知られる新しい深層学習アーキテクチャを導入する。このシステムは、人が手足を動かすことを想像するときに脳内で生成される複雑な電気信号（運動イメージとして知られるプロセス）を解釈するように設計されている。 脳–コンピュータ・インターフェースと運動イメージ 脳–コンピュータ・インターフェースは、人間の脳と外部機械との間に直接的な通信チャネルを構築することを目指している。筋肉の動きに依存する代わりに、BCIは神経信号を解釈し、それをデジタルシステムや物理デバイスへのコマンドに変換する。 BCI研究で最も広く研究されているアプローチの一つは、運動イメージ脳波（MI-EEG）に関わるものである。これらのシステムでは、ユーザーは手を上げる、物をつかむ、歩くなどの動作を実行することを想像する。物理的な動きは起こらなくても、脳は想像された動きに関連する特徴的な電気活動パターンを生成する。 これらの信号は、頭皮に配置した電極を通じて脳活動を記録する非侵襲的な技術である脳波検査（EEG）を用いて捕捉することができる。EEGは、脳の異なる領域にわたる神経活動を表すマルチチャネルの時系列データを提供する。 これらの信号を正確に解読することで、コンピュータは神経活動を実行可能なコマンドに翻訳することができる。実際には、これにより麻痺や重度の運動障害を抱える個人が、単に動きを想像するだけで支援技術を制御できるようになる可能性がある。 しかし、MI-EEG信号の信頼性の高い解読を達成することは、神経技術における最も困難な課題の一つであり続けている。 脳信号が解読困難である理由 脳–コンピュータ・インターフェース開発における主な障害は、EEG信号に内在する複雑さにある。 運動イメージ信号は高い時空間的変動性を示し、つまり異なる脳領域間でも時間的にも変動する。また、個人間で大きく異なり、同じ人物でもセッションごとに異なる。 従来の機械学習モデルは、これらの変動に対処するのに苦労することが多い。既存の多くのシステムは、脳信号が一貫したパターンで振る舞うと仮定する、事前に定義されたグラフ構造や固定パラメータに依存している。現実には、神経信号ははるかに動的で不均質である。 従来の方法では、EEG信号から特徴を抽出するために、共通空間パターン分析や従来の畳み込みニューラルネットワークなどの技術が使用されることが多かった。これらのアプローチは神経活動のいくつかのパターンを識別できるが、脳領域間のより深い相互作用や時間の経過とともに変化するパターンを捉えることには頻繁に失敗する。 その結果、多くのBCIシステムは、個々のユーザーに対して効果的に機能する前に、広範なキャリブレーションとトレーニングを必要とする。 新たなアプローチ：Embedding-Driven Graph Convolutional Networks 千葉大学の研究チームは、脳活動の複雑さをよりよく捉えるように設計された新しい深層学習フレームワークを開発することで、これらの課題に対処した。 彼らの解決策であるEmbedding-Driven Graph...
